研究城市绿化与健康，最不容易的部分不是给地图涂上绿色。一个街区树木更多，居民是否一定走得更多、感受更好？把街景图像、行走行为和健康结果放在一起时，研究者必须先回答不同指标究竟测量了什么。把相关性写成因果关系，是这类课题中很容易出现、也很需要训练才能避免的问题。
香港城市大学建筑学及土木工程学系的陆毅教授主持Healthy Urban & Buildings实验室，研究城市环境、出行行为与健康之间的关系。学校的研究者档案明确列有接受博士生的状态，也公开了团队的研究方向和申请背景偏好。相较于抽象地讨论智慧城市，这些材料能让我们看到博士阶段可能真正承担的工作：构建数据、检查测量方法、提出解释，并为结论找出适用边界。
同样一张街景图，能回答不同问题
团队会使用街景影像、卫星图像与空间数据识别城市环境特征。街道树木、建筑界面和步行设施都可以被转成可分析的变量。不过“影像里绿化很多”并不等于“居民日常接触到的绿量很多”。拍摄时间、视角、遮挡和出行路径都会带来偏差。研究者得知道图像模型输出的究竟是地理特征、感知暴露，还是某个代理指标。
这也是为什么空间数据工作不能只会运行软件。GIS处理坐标和邻近关系，统计模型解释变量之间的关联，研究设计则决定我们能够在多大程度上讨论环境变化造成的影响。假设一个城市给部分街区增加公共交通，出行满意度之后发生改变，要排除同期其他政策或人口变化的影响，就需要比普通描述性地图更扎实的比较策略。这个例子用来说明研究训练，不是替代教授已公开研究的完整实验设计。
陆毅团队公开列有利用自然实验研究轨道交通与出行满意度的论文，也有分析窗外自然景观与健康福祉的研究。两项工作触及的测量层次并不相同：前者关心交通变化与体验之间的关联，后者关心被观察到的自然环境如何对应人的感受。如果把它们都笼统归为“城市大数据”，反而错过了研究问题的核心。
博士训练先训练怀疑自己的数据
新进入这一领域的人常以为算法越复杂越好。实际做课题时，能解释一个变量为何有效、何时会失效，比立即调用更复杂的模型重要。街景识别结果需要人工抽样复核，空间回归要注意邻近地区之间并不独立，问卷中的主观感受也不能直接代替长期健康效果。许多研究细节听起来不惊艳，却决定最后的结论是否可信。
陆毅团队在招募信息中偏好GIS、统计、Python或R、机器学习、街景图像处理与时空分析经验。这些不是要求每个申请者同时精通的技能清单，而是提示工作的不同环节。有人强在地理数据清洗，有人长于行为研究设计，也有人善于因果推断。若能把已有经验与拟解决的问题对应起来，研究计划就不只是软件熟练程度的展示。
如果希望把城市环境研究做成可复用的证据，数据管理同样不能被略过。不同城市的街景采集方式、路网精度和人口统计口径可能完全不同；即便模型在一座城市里表现不错，也未必能直接迁移。博士研究中要写清楚样本是怎样来的、空间尺度为何如此选择、结论适用于怎样的城市和人群。这些看似技术性的决定，其实都是对研究问题的再次界定。
写CV时也应改变叙述重心。“做过某城市绿地可达性项目”只告诉别人参加过什么；“怎样选择步行距离、处理缺失路网、检验不同阈值后结论是否改变”才开始说明研究判断。好的申博材料会留下方法被挑战的痕迹，而不是把每个项目包装成毫无困难的成功案例。
培养信息怎样转成申请决策
公开的研究团队信息还能帮助申请者理解技能组合。陆毅实验室已有研究生围绕窗口视野、行为空间感知、交通和城市环境开展工作。这样的主题交错说明研究不只有单一数据岗位：有的项目更接近建筑与城市设计，有的依赖地理计算，有的更需要行为解释。申请计划若能明确自己打算沿哪条证据链推进，就不必把每项技能都装进一页过度拥挤的简历。
香港城市大学公布的2027/28研究学位主要申请截止日期是2026年12月1日，超过主轮的申请视剩余名额处理。团队资料又明确列有博士研究岗位，因此感兴趣的人可以围绕城市健康、空间分析和行为证据准备一个清楚的主题，再检验正式学术及语言条件。不能由实验室网页推定某项奖学金自动发放，也不宜引用页面上可能未及时更新的旧津贴数字作为当前待遇。
香港博士奖学金计划是另一个竞争性资助路径。对希望申请该计划的人，学校正式流程包括先取得研究资助局申请编号，再完成城大的学位申请；两个步骤均有相应时限。资助制度值得理解，但如果连想识别的城市环境变量是什么都还没想清楚，把奖学金名称写在材料最前面也不会使科研能力更具体。
在这一类博士训练里，值得提前补的未必是一门热门AI课程，而可能是一次完整的空间数据项目：从定义问题、选择尺度、检查数据偏差，到用一张图解释结论的局限。能够说明自己的分析在什么情况下可能不成立，反而是接近真正研究者思考方式的信号。
